در این آموزش به معرفی مدل نیمه تجربی ذوزنقه ای مرئی یا (OPTRAM) که به منظور تخمین و برآورد رطوبت خاک مورد استفاده قرار می گیرد، پرداخته شده است. بدین منظور از تصاویر چندطیفی سنتینل2 در سامانه کوگل ارث انجین استفاد شده است.
مشخصات آموزش:
- مدرس: مهدی نادری
- تخصص: کارشناس سنجش از دور و GIS
- موضوع: تخمین و برآورد رطوبت خاک با استفاده از مدل نیمه تجربی OPTRAM
- نرم افزار: سامانه گوگل ارث انجین 🦾
- مخاطب: علاقه‌مندان به سنجش از دور، مطالعات کشاورزی و …
- نوع آموزش: ویدئویی 📺
- کد آموزشی: دارد
- پیش نیاز : آشنایی مقدماتی با سامانه گوگل ارث انجین 🌏
بخشی از تدریس مدرس:
در این ویدئو قسمتی از تدریس مدرس را مشاهده می کنید:
سرفصل های آموزشی:
🚩 بخش اول : تعیین منطقه مورد مطالعه
🚩 بخش دوم : فراخوانی داده های بازتاب سطحی سنتینل-2
🚩 بخش سوم : تعیین فیلترهای زمانی و مکانی، فیلتر ابر و …
🚩 بخش چهارم : ماسک ابر
🚩 بخش پنجم : برش مجموعه تصاویر بر اساس منطقه مورد مطالعه
🚩 بخش ششم : موزائیک تصاویر بر اساس تاریخ تصاویر
🚩 بخش هفتم : استخراج یک تصویر از مجموعه تصاویر و محاسبه شاخص NDVI، محاسبه STR و SWIR
🚩 بخش هشتم : ایجاد مجموعه تصاویر با باندهای STR و NDVI به منظور تشکیل فضای ویژگی (STR-NDVI)
🚩 بخش نهم : محاسبه پارامتر های مدل optram از جمله id، iw، sd و sw و …
🚩 بخش دهم : محاسبه رطوبت خاک با استفاده از معادله خطی optram
🚩 بخش یازدهم : انتخاب یک تصویر از مجموعه تصاویر پردازش شده به منظور بررسی پراکنش پیکسل ها در فضای ویژگی (STR-NDVI)
🚩 بخش دوازدهم : بررسی سری زمانی تغییرات رطوبت خاک در منطقه مورد مطالعه
توضیحات آموزش:
در این محصول از داده های چندطیفی سنتینل-2 استفاده شده است. از جمله ماهواره های چندطیفی که توسط سازمان فضایی اروپا به فضا فرستاد شد. این ماهواره دارای 12 باند بوده که در محدوده های مرئی و مادون قرمز تصویربرداری می کند و دارای قدرت تفکیک مکانی 10، 20 و 60 متر برای انواع باند ها می باشد. قدرت تفکیک زمانی این ماهواره اگر به صورت منفرد مورد استفاده قرار گیرد، 10 روز و اگر بصورت جفت (سری های A , B) مورد استفاده قرار گیرند، به 5 روز تقلیل می یابد.
یکی از دلایل استفاده از این ماهواره در محصول حاضر، باند SWIR با تفکیک مکانی 20 متر این ماهواره است که یکی از ارکان اصلی تخمین رطوبت خاک با استفاده از مدل optram می باشد. داده های حاصل از ماهواره های سنتینل-2 می تواند در زمینه پایش زمین و تغییرات آن، مدیریت بهینه بحران ها و مخاطرات و همچنین بسیاری از موضوعات دیگر کاربرد مفیدی داشته باشد. از دیگر کاربرد های این ماهواره می توان به موارد زیر اشاره کرد :
- مطالعات کشاورزی
- تغییرات کاربری اراضی
- مطالعات جنگل ها
- مطالعات مرتبط با آلودگی دریاچه ها و آب های ساحلی
- مطالعات رانش زمین
- مطالعات مربوط به پوشش گیاهی
همانطور که مشخص است، رطوبت خاک از جمله مهمترین متغیر های چرخه هیدرولوژیکی محسوب می شود که می تواند در مطالعات مختلفی نظیر مدلسازی هیدرولوژیکی، پیش بینی عددی هواشناسی، مطالعات پایش سیلاب، پایش جنگل سوزی ها، مطالعات تغییرات اقلیمی و مدیریت منابع آب کاربرد داشته باشد.
لذا با توجه به موارد ذکر شده، تخمین و برآورد آن حائز اهمیت است. رطوبت خاک در مطالعات کشاورزی از اهمیت بالایی برخوردار است. پایش مستمر رطوبت خاک در سطح مزرعه می تواند در مواردی نظیر افزایش بهروه‌وری و عملکرد محصول، کاهش حجم آب مصرفی به منظور رشد محصول و … کاربرد داشته باشد که در این محصول این هدف تحقق یافته است.
مخاطب این محصول افراد متخصص در حوزه سنجش از دور هستند که با انواع داده های سنجش از دوری کار کرده اند. علاوه بر این، افرادی که به مطالعات کشاورزی علاقه دارند نیز می توانند از این آموزش نهایت استفاده را داشته باشند چرا که دانش استفاده از تصاویر ماهواره ای را کسب کرده و با تکنولوژی های جدید این حوزه از جمله سامانه ارث انجین آشنا می شوند.
در این محصول آموزشی سعی شده است تا مطالب به صورت شیوا و رسا بیان شوند تا برای افرادی که آشنایی حداقلی با تصاویر ماهواره ای و سامانه گوگل ارث انجین دارند نیز قابل استفاده باشد.
26 دیدگاه. ارسال دیدگاه جدید
salam va vaghtbekheir , bebakhshid in mahsol ra mitan baraye baravord rotobat khak dar manategh ba jangal haye anboh bekar bord?
با سلام
با توجه به استفاده از تصاویر سنتینل-2 در محصول حاضر و مستند به اینکه داده های نوری قابلیت نفوذ در لایه های زیرین خاک رو ندارند، لذا برای مناطق جنگلی عملا کاربردی نخواهد داشت. شما بدین منظور میتونید از تصاویر SAR که قابلیت نفوذ در تاج پوشش و لایه های زیرین خاک رو دارند، استفاده بکنید هر چند داده ای با عمق نفوذ بالا بصورت رایگان در دسترس نیست.
برآورد رطوبت خاک با مدل optram برای سایر کاربری ها اعم از محصولات زراعی، خاک و … کاملا کاربردی خواهد بود.
موفق باشید
سلام.
با این روش، متونیم رطوبت خاک رو به صورت “روزانه، دو روزه و سه روزه”، برای یک منطقه به وسعت 200 هزار متر مربع ( 20 هزار هکتار )” با دقت بالا بدست بیاریم ؟
با سلام
در حالت کلی، یکی از موارد اصلی در بررسی خصوصیات فیزیکی و شیمیایی عوارض سطح زمین با استفاده از سنجش از دور، وجود تصاویر ماهواره ای برای منطقه مورد مطالعه است. با توجه به اینکه revisit time یا بازدید مجدد ماهواره سنتینل-2 در بهترین حالت 5 روز است (زمانی که دو سری 2A و 2B با هم تصویربرداری کنند)، لذا امکان بررسی رطوبت خاک به صورت روزانه یا دو روز یکبار میسر نخواهد بود. موضوع دیگر در خصوص سنتنیل-2، عرض برداشت این ماهواره است که معادل 290 کیلومتر است و به مراتب از سنجنده هایی مانند spot-5 با عرض برداشت 150 کیلومتر یا لندست 7 با عرض برداشت 185 کیلومتر محدوده بیشتری را تحت پوشش قرار می دهد.
به عنوان یک نکته تکمیلی از سنتینل-2 : وجود تصویر از این ماهواره منوط به عرض جغرافیایی هست که در اون قرار داریم. برای عرض جغرافیایی که ما در اون قرار داریم، حداقل هر هفته یک تصویر داریم. گاها هم اتفاق میفته که 2 تصویر در یک هفته داریم. هر چقدر به عرض های جغرافیایی بالاتر میریم، تعداد تصاویر بیشتر میشه و شما به عنوان نمونه در مناطق قطبی ممکنه روزانه 20 تا تصویر هم داشته باشید.
موفق باشید
سلام وقت بخیر دوره را خریداری کردم در اون قسمت که یک لیست از تصاویر درست کردید و تصویر ۲۰ ام را انتخاب کردید مشکل دارم
بر چه اساس تصویر ۲۰ را انتخاب کردید؟
و این که با تغییر دادن تصویر محاسبات متفاوت می شود
ممنون می شوم راهنماییم کنید
با سلام و وقت بخیر.
اگر به دقت مباحث رو دنبال کرده باشید، ما برآورد رطوبت خاک با استفاده از مدل optram رو بر روی یک مجموعه تصاویر (image collection) پیاده کردیم. برای اون مجموعه تصاویر اومدیم و فضای STR-NDVI رو شکل دادیم. ما تصویر 20 ام رو بصورت رندوم از تصاویر collection انتخاب کردیم و هدف نمایش پراکنش پیکسل ها در فضای STR-NDVI بود. قاعدتا و حتما برای تصاویر مختلف متفاوت خواهد بود چرا که ما به عنوان مثال 5000 نمونه از تصویر انتخاب میکنیم. این نمونه ها ممکنه در تصاویر مختلف مرتبط با عوارض متفاوت باشه. پس توزیع پیکسل ها برای هر تصویر متفاوت خواهد بود.
به عنوان یک نکته تکمیلی اینکه، همانطور که در بخش های تئوری هم عنوان کردیم، خط خاک خشک و مرطوب میتونه با بررسی دقیق بصری تخمین زده بشه. لذا هدف ما از تشکیل فضای STR-NDVI و توزیع پیکسل ها توی اون فضا بیشتر بررسی خط خاک خشک و مرطوب بود.
موفق باشید
من کاملا با محاسبات شما پیش رقتم ، من مزرعه ای دارم یک هکتار با کشت سیب زمینی و دوره آبیاری 5 الی 7 روز قصد دارم رطوبت خاک در سری زمانیم با دقت قابل قبول بدست بیاورم ، شاخص NDVI در مزرعه من در حال تغییر است آیا برای حل این مشکل میتونم بازه زمانی محاسباتم را مثلا 10 روزه انتخاب کنم در این بازه زمانی یک تصویر را رندوم از کالکشنم انتخاب کنم که نماینده اون بازه زمانی باشه؟
ما بر اساس شروطی که تعریف کردیم، نیاز داریم تا ابتدا خاک خشک و خاک دارای پوشش گیاهی رو تشخیص بدیم. لذا با توجه به اینکه NDVI شما در حال تغییر است، حد آستانه ها رو تغییر بدید تا خاک خشک و خاک دارای پوشش گیاهی با دقت قابل قبولی تفکیک بشن. پیشنهاد دیگه اینکه میتونید بجای NDVI، شاخص SAVI رو محاسبه و فضای STR-SAVI رو شکل بدید. با توجه به اینکه این شاخص اثر خاک رو تعدیل می کنه، لذا میتونه معرف بهتری از شرایط پوشش گیاهی منطقه شما باشه.
انتخاب بازه زمانی 10 روزه منوط به وجود تصویر سنتینل-2 از اون منطقه می باشد. با توجه به اینکه معمولا هر 7 روز یک تصویر داریم، میتونید اینکار رو انجام بدید. فقط این نکته رو فراموش نکنید که مدل optram یک مدلی هست که از باند های مرئی استفاده میکنه لذا رطوبت خاکی که شما برآورد می کنید، مرتبط با سطح خاک هست (نفوذ نور مرئی در خاک کمتر از 5 سانتیمتر است). لذا شما هر چقدر بتونید در ساعات اولیه آبیاری، رطوبت خاک رو تخمین بزنید، به تخمین بهتری خواهید رسید.
موفق باشید
من روی یک موضوعی کار میکنم که مربوط به ارزیابی رطوبت خاک با استفاده از باند Lتصاویر ماهواره ای ماکرویو و یادگیری ماشین هست.راستش من یه سری مقالات هم در این مورد خوندم الگوریتم های مختلفی واسه این کار وجود داره میخواستم بپرسم واسه استفاده از یادگیری ماشین الگوریتم یا متد خاصی مد نظر ندارید که بتونم واسه این موضوع استفاده کنم که کمتر استفاده شده باشه و نواوری داشته باشه؟
با سلام
نوآوری رو شما باید تو مقالات و پایان نامه های کار شده پیگیری کنید. تو ژورنال های سنجش از دور، دنبال مقالات جدید بگردید و مطمئنا روش ها و متدهای جدیدی پیدا خواهید کرد که بتونید تو کار خودتون استفاده کنید.
به عنوان نمونه میتونید روش های ANFIS، HyFIS، روش SBC یا Subtractive clustering و مشابه اینها رو بررسی کنید.
با یک سرچ و جستجو مطلوب، نتایج خوبی رو به دست خواهید آورد
موفق باشید
سلام
میخواستم بپرسم برای ارزیابی رطوبت خاک با استفاده از الگوریتمRF در چه شرایطی امکان اندازه گیری موقیت مکانی نمونه های رطوبت خاک وجود داره؟
چون یادگیری ماشین مدل فضایی و همبستگی مکانی رو اندازه گیری نمیکنه.
با سلام
الگوریتمهای یادگیری ماشین قاعدتا میتونن برای پیش‌بینی تغییرات مکانی هر پارامتری مثل رطوبت خاک مورد استفاده قرار بگیرند. شما براي اینکار، در وهله اول به نمونه های خاک برداشت شده از پیمایش میدانی و تصویر ماهواره ای (یکسری پارامتر های مرتبط با خاک) نیاز دارید. در وهله دوم، همبستگی بین نمونه های میدانی و این پارامتر ها رو بررسی بکنید. در گام اخر، بر اساس مطلوب‌ترین ویژگی ها، نسبت به مدلسازی تغییرات مکانی اقدام بکنید.
مقالات زیادی در این زمینه چه داخلی چه خارجی موجود هستن که میتونید استفاده کنید.
موفق باشید
در خصوص زمان اخذ نمونه های خاک هم عنوان کنم که باید همزمان یا با حداقل اختلاف زمانی نسبت به زمان تصویر برداری باشند. بسته به شرایط منطقه و شرایط اقلیمی متفاوت خواهد بود. ابتدا باید ببینید تو چه فصلی مد نظرتون هست دوم اینکه اگر اختلاف زمانی بین تصویر ماهواره ای و زمان اخذ نمونه های خاک وجود داشت، باید مطمئن باشید که مثلا بارندگی اتفاق نیفتاده باشه چرا که بارندگی به طور مستقیم روی رطوبت خاک تاثیر داره.
حتی الامکان باید همزمان با تصویربرداری ماهواره باشه.
سلام، آموزش استفاده از مدل TOTRAM ندارین؟؟
آیا این مراحل آموزش برای ماهواره لندست هم قابل استفاده است؟
سلام
مدل TOTRAM در آموزش زیر گفته شده است:
https://girs.ir/soil-moisture-methods-in-gee/
با سلام
در پاسخ به مدل TOTRAM، آقای نجفی لینک آموزش براتون گذاشتن. در خصوص استفاده از داده های لندست هم جواب بله هست و میتونید استفاده کنید.
دلیل استفاده از داده های سنتینل-۲ در این محصول آموزشی، قدرت تفکیک مکانی بهتر در مقایسه با سایر داده های ماهواره ای مانند لندست هستش.
موفق باشید
سلام چرا نتیجه نهایی نقشه رطوبت استخراج شده خروجی گرفته نمیشه؟
همین کدهای شما رو ران میکنم اصلا خروجی به فرمت تیف نمیده؟
اگ ممکنه ممنون میشم ایمیلتون ارسال کنید باهاتون در ارتباط باشم من خیلی ضروری این نقشه رو نیاز دارم.
با سلام
لطفا لینک کد ارث انجین رو به ایمیل بنده ارسال کنید
Naderi.mahdi75@gmail.com
با سلام استاد
خسته نباشید
بنده محصول آموزشی تخمین و برآورد رطوبت خاک با استفاده از مدل نیمه تجربی OPTRAM رو در گوگل ارث انجین خریداری کردمه. عالی هستش
فقط جهت خروجی گرفتن از نتیجه کار با مشکل رو به رو شدمه.
اول اینکه رو به روی image: آیا باید OPTRAM بنویسم یا چیز دیگه ای؟؟
کلا نحوه خروجی گرفتن به صورت تیف چگونه است؟
دوم بین مثلا بیست تصویر چطور باید تصویر دلخواه در تاریخ معین رو خروجی بگیرم؟؟
اگ ممکنه ممنون میشم ایمیلتون ارسال کنید باهاتون در ارتباط باشم من خیلی ضروری این نقشه رو نیاز دارم.
ایمیل هم زدمه واستون با احترام
با سلام ممنون از حسن توجه شما
با توجه به اعمال مدل optram بر روی image collection، نیاز هست ابتدا تصاویر را بصورت لیست تبدیل کرده و در نهایت با استفاده از یک تابع نسبت به اخذ خروجی اقدام بکنیم.
در پاسخ به این سوال که چجوری میشه تصویر دلخواه از مجموعه تصاویری که مدل optram بر روی اونها اعمال شده، خروجی بگیریم، میتونیم date مرتبط با هر تصویر رو بصورت یک string به تصویر خروجی اضافه بکنیم. در نهایت شما در بخش task ارث انجین، میتونید تمامی تصاویر را با date اونها ببینید و هر تصویر که مدنظر شما بود، اون رو دانلود بکنید و مورد استفاده خودتون قرار بدید.
نکته: با توجه به حجم تصاویر مورد استفاده ممکنه با error هم مواجه بشید. لذا سعی کنید بازه های زمانی رو کمتر در نظر بگیرید تا computational error براتون اتفاق نیفته.
کد مرتبط با خروجی تصاویر رطوبت خاک به ایمیل شما ارسال می شود.
موفق باشید
با سلام ببخشید اعداد خروجی گرفته شده تصویر ، بر چه اساس هستش، میلیمتر یا …
مثلاً یکی از پیکسل ها معادل 0/32 می باشد در خروجی optram
با سلام
خروجی مدل optram، رطوبت حجمی هست. بنابرین واحد مقادیر پیکسل ها بر حسب متر مکعب بر متر مکعب هستش. علاوه براین، خودتون میتونید تبدیل واحدهای مختلف رو اعمال بکنید
موفق باشید
سلام مجدد خدمت استاد عزیز جناب آقای نادری
با تشکر از این که وقت می گذارید و سوال ها را پاسخ می دهید.
با توجه به بررسی ها و اصلاح کالکشن تصاویر سنتینل2 ، بعد از تاریخ 14_02_2024 به بعد در بخش sd_opt و sw_opt ارور میده. قبل از این تاریخ خروجی مشکلی نداره.
اگر مقدور هست روشی را برای ماسک کردن یا اصلاح هر طور که شما صلاح می دونید و در نهایت خروجی درست optram در نظر بگیرید.
در این صورت سزاوار مزید تشکر هستید. بسیار ضروری لازم دارم واقعا
کد های ارسالی قیلی شما جهت مدل optram به پیوست خدمت شما ارسال شد
با سلام
سپاسگزارم
خطای موجود ممکن است مرتبط با عوامل مختلف باشد:
1.با توجه به استفاده از داده های بازتاب سطحی در این آموزش، ابتدا بررسی کنید که برای تاریخ های مدنظر شما، تصویر بازتاب سطحی برای محدوده مطالعاتی شما موجود هست یا خیر. در صورت عدم وجود میتونید از داده های سطح 1 (L1) یا TOA استفاده بکنید
2.پارامترهایی که در هر متغیر sw-out و sd-out استفاده می شوند را بررسی کنید. در واقع، هر مولفه رو پرینت بگیرید و در قسمت کنسول بررسی کنید. شاید تصویری دارای مقادیر nodata باشد.
3.با توجه به وجود صرفا باند QA60 برای ماسک ابر، شما روش دیگه ای رو نمیتونید استفاده بکنید. در واقع ما صرفا پوشش ابر رو ماسک کردیم. روش پیشرفته تر هم موجوده که میتونید برف، سایه ابر و … رو هم در نظر بگیرید اما توجه داشته باشید که در صورت اعمال ماسک ابر پیشرفته، ممکنه پیکسل های ماسک شده شما زیاد باشد که بستگی به شرایط آب و هوایی منطقه شما هم دارد.
موارد فوق را بررسی کنید. ان شاا… خطاهای شما مرتفع شوند
موفق باشید
سلام جناب نادری عزیز
با عرض پوزش آموزش شما ناقص می باشد
این آموزش برای یک تاریخ خاص می باشد و بعد از آن تاریخ دیگه جواب نمی ده.
تمام دستورهایی که گفتید هم انجام دادم باز هم نشد.
لطفا خودتون آموزشتون رو اصلاح کنید و پس از تکمیل شدن کد ها برای ما ارسال کنید. با تشکر از زحمات شما.
باسلام
ممنون از دیدگاه شما
دوست بزرگوار، قرار نیست ندانسته های خودمون رو به ناقص بودن آموزش ها نسبت بدیم. علی‌رغم اینکه راهکارهای متعدد طی ایمیل و همین بخش کامنت‌ها به شما داده شده، با این حال باز هم اظهارنظر های عجیب دارید. رفع باگ کدنویسی یکی از ملزوماتی هست که کدنویس باید بدونه کجای کار مشکل داره. در هر محصول آموزشی که تولید میشه، باید همه موارد در نظر گرفته بشه از تصویر ماهواره ای گرفته تا روش پردازشی، محدوده مطالعاتی و …
نتیجه راهکارهایی که به شما داده شد، چی شد؟ لطف کنید به اشتراک بذارید یا برای بنده ایمیل کنید.
موفق باشید